論文の概要: Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2605.13540v1
• Date: Wed, 13 May 2026 13:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.084731
• Title: Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models
• Title（参考訳）: 多領域動的グラフ基礎モデルのための疎結合・多元整合プロンプト
• Authors: Haonan Yuan, Qingyun Sun, Junhua Shi, Xingcheng Fu, Jianxin Li, Philip S. Yu,
• Abstract要約: 分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。 DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 59.8742208800447
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dynamic graphs are ubiquitous in real-world systems, and building generalizable dynamic Graph Foundation Models has become a frontier in graph learning. However, dynamic graphs from different domains pose fundamental challenges to unified modeling, as their semantic and temporal patterns are inherently inconsistent, making the multi-domain pre-training difficult. Consequently, the widely used "pretrain-then-finetune" paradigm often suffers from severe negative knowledge transfer. To the best of our knowledge, there exists no multi-domain dynamic GFM. In this work, we propose DyGFM, a Dynamic Graph Foundation Model over multiple domains based on decoupled and divergence-conditioned prompting. To disentangle transferable semantics from the domain-specific dynamics, we introduce a dual-branch pre-training strategy with semantic-temporal decoupling. To alleviate negative transfer during domain adaptation, we further develop a cross-domain routing mechanism with divergence-aware expert selection. To enable efficient downstream fine-tuning, we design a divergence-conditioned prompt generator that injects lightweight, learnable graph prompts tailored to semantic and temporal traits. Extensive experiments on continuous dynamic graph benchmarks demonstrate that DyGFM consistently outperforms 12 state-of-the-art baselines on both node classification and link prediction tasks, achieving superior effectiveness and efficiency.
• Abstract（参考訳）: 動的グラフは現実世界のシステムではユビキタスであり、一般化可能な動的グラフ基礎モデルの構築はグラフ学習のフロンティアとなっている。 しかし、異なるドメインの動的グラフは、意味的および時間的パターンが本質的に矛盾しており、複数のドメインの事前学習が困難であるため、統合モデリングに根本的な課題を生じさせる。 その結果、広く使われている「プレトレイン・テン・ファインチューン」パラダイムは、しばしば深刻なネガティブな知識伝達に悩まされる。 我々の知る限り、マルチドメインの動的 GFM は存在しない。 本研究では,複数の領域にまたがる動的グラフ基礎モデルであるDyGFMを提案する。 ドメイン固有力学から伝達可能なセマンティクスを解き放つために,セマンティック・テンポラル・デカップリングを用いた二分岐事前学習戦略を導入する。 ドメイン適応時の負の移動を緩和するため、分岐型専門家選択によるクロスドメインルーティング機構をさらに発展させる。 より効率的なダウンストリーム微調整を実現するため、我々は、軽量で学習可能なグラフプロンプトを意味的および時間的特性に合わせて注入する分散条件付きプロンプトジェネレータを設計する。 連続的動的グラフベンチマークの大規模な実験により、DyGFMはノード分類とリンク予測タスクの両方において12の最先端のベースラインを一貫して上回り、優れた効率と効率を達成することが示されている。

関連論文リスト

• UniDyG: A Unified and Effective Representation Learning Approach for Large Dynamic Graphs [25.66188469474215]
  動的グラフに対する統一表現学習手法を提案する。 我々は、UniDyGが9つの動的グラフにまたがる16のベースラインに対して平均14.4%の改善を達成していることを示す。
  論文  参考訳（メタデータ） (2025-02-23T04:11:21Z)
• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [59.7297608804716]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• EvoluNet: Advancing Dynamic Non-IID Transfer Learning on Graphs [13.035783088697661]
  グラフ上の動的非IID移動学習のための一般化を提案する。 理論的結果に触発されて,EvoluNetという新しい汎用フレームワークを導入する。 EvoluNetは最先端のモデルを最大12.1%上回っている。
  論文  参考訳（メタデータ） (2023-05-01T05:26:33Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。